老牌期刊了，质量很好，但是处理很慢，拿到审稿意见花了九个月，但是审稿人也并不是那么专业（投的论文是GNN相关的），两个大修被但是还是被Editor拒稿（真无情，九个月打水漂了）。身边有小伙伴半年给了大修，三个审稿人，其中有两个看的非常非常详细，问了许多问题，要加一堆实验（我觉得就是相当于重做了）。第二轮审稿之后只有一个审稿人依然有问题，Editor依旧给了大修，让我加了几个最新的算法，然后审了三个

解析 Ubuntu 16.04 安装nvidia驱动 各种错误0.环境1.安装方式说明1.1ppa源安装1.2手动run文件安装2.run文件安装详解2.1手动下载驱动2.2卸载旧驱动2.3安装可能需要的依赖（可选，脸红可以跳过）2.4禁用noueau驱动2.5进入blos关闭secure boot （华硕还有fast boot）2....

最近需要学习pytorch的东西，进一步开发需要的神经网络模型，在此以这一篇博文作为安装笔记。pytorch 官网上只有linux和Mac的程序包，没有windows系统的，但是windows系统还是可以用pytorch的。github： https://github.com/peterjc123/pytorch-scripts如果之前安装过GPU版的tensorflow，安装GPU版本的p...

Windows用命令查看nvidia的GPUnvidia-smi所在的位置为：C:\Program Files\NVIDIA Corporation\NVSMI从cmd或者window10的powershell，cd进入目录输入命令即可：注意：中间没有空格，nvidia-smi。。如果想更简便，可在path环境变量中，添加上述路径，就可以直接在任意目录下用cmd中使用nvidia-sm...

背景：在学习深度学习时，我们不可避免的需要跑多个神经网络，而不同的神经网络环境都不一样，所以必须要使用到虚拟环境(如conda)去做环境隔离，安装属于自己的环境。在这环境中，大多神经网络都必须要用到cuda，cudnn。不同的神经网络需求版本不同，所以也需要另行安装，这与前面一篇文章pip安装包的方式还不太一样。安装好显卡驱动后，使用nvidia-smi命令可以查看这个显卡驱动可以安装的最高的cu

也就是上图所描述的方法。接着上面的讲，PG方法一个很大的缺点就是参数更新慢，因为我们每更新一次参数都需要进行重新的采样，这其实是中on-policy的策略，即我们想要训练的agent和与环境进行交互的agent是同一个agent；在上面的介绍方法中PG在更新的时候的基本思想就是增大奖励大的策略动作出现的概率，减小奖励小的策略动作出现的概率。下选择相应的动作来执行，环境根据Agent的动作，反馈新的

最近上了深度学习的课程，由于时间问题，先用Matlab上试试手，不过看到deepLearnToolbox-master已经对Matlab版本的程序不进行维护，估计以后要多多使用别的深度学习工具了。1.首先到Github上下载deepLearnToolbox-master工具：https://github.com/rasmusbergpalm/DeepLearnToolbox，工具包已经保存在云盘中

不得不说，算力太强，版本太新也是一种烦恼哈哈在安装torch时，一定要注意显卡的cuda版本问题。比如，在 RTX2080上 同样的环境中 程序可以正常运行，而换到A100中，就会报错如下：NVIDIA A100-PCIE-40GB with CUDA capability sm_80 is not compatible with the current PyTorch installation.

win10/11均可，注意官网重新下载安装即可，不要使用第三方驱动软件，网速很慢，360倒是还可以。GeForce Experience是真的菜，现在兼容性很差，建议直接安装精简版，nvidia app一步到位。下载完毕后双击打开，首先的驱动保存位置我选择的是默认位置，避免之后出现错误，点击OK，等待检测系统兼容性。点击windows图标搜索【设备管理器】，点击【显示适配器】即可查看自己设备的显卡

我们在前面的文章中介绍过，上图（a）所示的完全规则的最近邻耦合网络具有较高的聚类特性，但并不具有较短的平均距离。这是因为这里重点关注的是p较小时的聚类系数和平均路径长度的变化情形，采用对数坐标的好处就在于可以在横轴上把较小p值的刻度拉宽而压缩较大p值的区间。其中规定不得有重边或者自环。在上述模型中，p=0对应于完全规则网络，p=1对应于完全随机网络，通过调节参数p的值就可以实现从规则网络到随机网络